La máquina de aprendizaje extremo gemela (TELM) es un clasificador clásico y de alta eficiencia. Sin embargo, descuida el conocimiento estadístico oculto dentro de los datos. En este documento, para aprovechar al máximo la información estadística de los datos de muestra, primero proponemos una máquina de aprendizaje extremo gemela regularizada por Fisher (FTELM) aplicando regularización de Fisher en el marco de aprendizaje de TELM. Esta estrategia no solo hereda las ventajas de TELM, sino que también minimiza la divergencia dentro de la clase de las muestras.